正态分布在机器学习中为何如此重要

在机器学习和深度学习中，我们经常要对输入的数据做归一化或者在隐藏层使用Batch-Normlization（BN）操作，将数据范围缩放到[0,1]或者[-1, 1]之间，主要作用：可以加快神经网络训练速度，防止过拟合。然而无论做归一化还是BN处理，虽然将数据的均值变为0，方差变为1，但是数据的整体分布并不一定服从标准的正态分布（实际数据大部分时候都不会是），做归一化和BN时，我们求出来的均值和方差，并不能说明我们数据是服从正态分布的。

正态分布的变量有哪些
正态分布只依赖于数据集的两个特征：样本的均值和方差。

均值，样本所有取值的平均
方差，该指标衡量了样本总体偏离均值的程度

正态分布很容易解释，因为：

正态分布的均值，模和中位数是相等的。
我们只需要用均值和标准差就能解释整个分布